复杂性gydF4y2Ba 复杂性gydF4y2Ba 1099 - 0526gydF4y2Ba 1076 - 2787gydF4y2Ba HindawigydF4y2Ba 10.1155 / 2019/3231914gydF4y2Ba 3231914gydF4y2Ba 研究文章gydF4y2Ba 有限元方法的混合方法,Kigring元模型和多目标遗传算法优化计算弯曲肘关节的上肢辅助设备gydF4y2Ba 阮gydF4y2Ba Duc南gydF4y2Ba 1gydF4y2Ba http://orcid.org/0000 - 0001 - 9165 - 4680gydF4y2Ba 刀gydF4y2Ba Thanh-PhonggydF4y2Ba 2gydF4y2Ba 3gydF4y2Ba 洲gydF4y2Ba Ngoc勒gydF4y2Ba 1gydF4y2Ba 见鬼gydF4y2Ba 范·安gydF4y2Ba 1gydF4y2Ba ScarpinitigydF4y2Ba 米歇尔gydF4y2Ba 1gydF4y2Ba 机械工程学院gydF4y2Ba 工业大学胡志明市gydF4y2Ba 胡志明市gydF4y2Ba 越南gydF4y2Ba hui.edu.vngydF4y2Ba 2gydF4y2Ba 计算机电一体化分工gydF4y2Ba 计算科学研究所gydF4y2Ba 吨Duc Thang大学gydF4y2Ba 胡志明市gydF4y2Ba 越南gydF4y2Ba tdt.edu.vngydF4y2Ba 3gydF4y2Ba 电气与电子工程学院gydF4y2Ba 吨Duc Thang大学gydF4y2Ba 胡志明市gydF4y2Ba 越南gydF4y2Ba tdt.edu.vngydF4y2Ba 2019年gydF4y2Ba 27gydF4y2Ba 1gydF4y2Ba 2019年gydF4y2Ba 2019年gydF4y2Ba 30.gydF4y2Ba 10gydF4y2Ba 2018年gydF4y2Ba 28gydF4y2Ba 12gydF4y2Ba 2018年gydF4y2Ba 15gydF4y2Ba 01gydF4y2Ba 2019年gydF4y2Ba 27gydF4y2Ba 1gydF4y2Ba 2019年gydF4y2Ba 2019年gydF4y2Ba 版权©2019 Duc南Nguyen et al。gydF4y2Ba 这是一个开放的文章在知识共享归属许可下发布的,它允许无限制的使用,分布和繁殖在任何媒介,提供最初的工作是正确的引用。gydF4y2Ba

为机器人关节建模是复杂,可能会导致错误的帕累托最优解决方案。因此,本文发展一种新的混合方法的多目标优化设计弯曲肘关节。联合是专为身体残疾人的上肢辅助设备。优化问题考虑三个设计变量和两个目标函数。中心复合设计的一种有效的混合优化方法(CDD)有限元方法(FEM), Kigring元模型和多目标遗传算法(分公司)。使用CDD建立数值实验的数量。有限元法开发了检索的应变能和反应力。然后,Kigring元模型作为黑盒找到pseudoobjective功能。基于pseudoobjective功能,莫卡应用于找到最优的解决方案。传统上,一个进化优化算法只能发现一个帕累托。 However, the proposed approach can generate 6 Pareto-optimal solutions, as near optimal candidates, which provides a good decision-maker. Based on the user’s real-work problem, one of the best optimal solutions is chosen. The results found that the optimal strain energy is about 0.0033 mJ and the optimal torque is approximately 588.94 Nm. Analysis of variance is performed to identify the significant contribution of design variables. The sensitivity analysis is then carried out to determine the effect degree of each parameter on the responses. The predictions are in a good agreement with validations. It confirms that the proposed hybrid optimization approach has an effectiveness to solve for complex optimization problems.

 国家科学技术发展的基础gydF4y2Ba 107.03 - -2018.11gydF4y2Ba 1。介绍gydF4y2Ba

随着现代社会,人类的人面对一个快速增加中风或词形变化规则。因此,机器人技术得到了学术界和产业界的研究人员的极大兴趣。如果一个人遭受中风,手臂肌肉的运动功能是有限的。支持残疾人,机器人系统设计和商业化协助上肢。一般来说,医生使用理疗促进康复过程。在医院,医生利用机器人。gydF4y2Ba

在康复过程的艺术,协助机器人和康复设备设计和商业化。上肢康复机器人设备提出了肩部练习(gydF4y2Ba 1gydF4y2Ba]。为外骨骼机械结构和控制策略综述了上肢外骨骼(gydF4y2Ba 2gydF4y2Ba]。双边机器人上肢中风康复研究[gydF4y2Ba 3gydF4y2Ba]。整个臂可穿戴机器人外骨骼用于康复和辅助上肢(gydF4y2Ba 4gydF4y2Ba]。活跃的上肢康复训练的重力平衡外骨骼开发(gydF4y2Ba 5gydF4y2Ba]。活跃的上肢外骨骼机器人的发展进行了综述(gydF4y2Ba 6gydF4y2Ba]。角轨迹控制器设计的人类的肩,肘,腕关节(gydF4y2Ba 7gydF4y2Ba]。一个被动的上肢amyoplasia矫正法是研究[gydF4y2Ba 8gydF4y2Ba]。Bioinspired下肢外骨骼机器人的目的是支持身体步态(gydF4y2Ba 9gydF4y2Ba]。尽管现有的设备被设计好了,他们仍然有短缺,如一个沉重的重量和大成本。原因是设备必须采取一个电机来生成一个时刻,一个齿轮双转移动作,螺旋弹簧存储和释放弹性能量,和submechanical元素。他们的机械元素组装基于运动学关节,这导致不受欢迎的许可。由于间隙,康复系统可能会不受欢迎的振动会引起受伤回到禁用前臂。另一方面,由于大尺寸和间隙,现有的设备有一个复杂的制造和控制和昂贵的成本。gydF4y2Ba

现在,病人在医院需要一个灵活的康复过程,在治疗中心,或在家里。一些患者禁用在上肢肌肉欲望合理的商业设备培训。动机的要求,设计一个新的弯曲肘关节这项工作,而不是利用螺旋弹簧。联合可以存储和释放应变能与传统的弹簧的功能相似。兼容的兼容的春天是设计基于概念机制由于重量轻、整体制造、低成本和高定位精度(gydF4y2Ba 10gydF4y2Ba- - - - - -gydF4y2Ba 14gydF4y2Ba]。提出联合可以从整体结构采用3 d打印机或电线电放电加工gydF4y2Ba 15gydF4y2Ba- - - - - -gydF4y2Ba 18gydF4y2Ba]。gydF4y2Ba

为了满足实践需求,提出应该有一个大的应变能和广泛适合各种负载转矩。在这关于多目标优化设计优先gydF4y2Ba 19gydF4y2Ba,gydF4y2Ba 20.gydF4y2Ba]。一般来说,形成数学方程,然后进化优化算法应用于寻求最好的解决方案。然而,如果建立了数学公式是错误的,预测结果unaccurate。由于这些原因,本研究引入了一个新的数据驱动的多目标优化技术优化的表演提出联合减少建模错误。混合集成包括有限元法、Kigring元模型和多目标遗传算法。传统上,大多数的多目标进化算法(MOEAs)往往会给一个帕累托最优(前面gydF4y2Ba 21gydF4y2Ba]。不同于以往MOEAs,该混合算法可以生成大量的帕累托最优,它提供了许多最佳候选人,然后真正的工作目的是选择的最佳解决方案。gydF4y2Ba

本文的目的是提出一个多目标优化设计策略,弯曲肘关节的静态特征。提高静态性能,研制了一种混合优化算法。执行验证评价预测结果和建议的方法的效率。gydF4y2Ba

 2。机械设计的描述gydF4y2Ba 2.1。弯曲肘关节gydF4y2Ba

弯曲肘关节(FEJ)旨在允许只有一个纯旋转运动。这个运动的运动类似于实际的肘部。为身体残疾人在斯托克城之后,肌肉的运动仍然是困难的。支持的目的,该FEJ作为弹性联轴器来存储和释放应变能在肘部康复。FEJ与辅助设备集成;人们日常生活活动的事故或中风后会很容易得到支持。gydF4y2Ba

图gydF4y2Ba 1(一)gydF4y2Ba说明了FEJ提出的3 d模型。它包括三个环形圈,分别。环1是一个内部弹性元件gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba厚度,这枚戒指是薄在三个戒指,因为它可以存储应变能更好。中间环2是一个弹性元件gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba厚度。环3是一个外弹性元件gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba厚度。环的厚度最大3是为了成为一个好僵硬的关节,紧随其后gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba和gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba。gydF4y2Ba

弯曲肘关节:(a)的3 d模型;(b) 2 d模型。gydF4y2Ba

图gydF4y2Ba 1 (b)gydF4y2Ba给出了FEJ的基本维度。这个关节位于三个固定孔。为了使一个纯旋转中心啊,周围一个角度gydF4y2Ba αgydF4y2Ba 是应用。对应于一个旋转角,扭矩反应gydF4y2Ba TgydF4y2Ba是出现了。因为FEJ是一个弹性元件,因此反应转矩成正比的刚度和转动角度根据胡克定律。gydF4y2Ba (1)gydF4y2Ba TgydF4y2Ba =gydF4y2Ba KgydF4y2Ba ×gydF4y2Ba αgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba TgydF4y2Ba代表了反作用扭矩,gydF4y2Ba KgydF4y2Ba是FEJ的刚度,然后呢gydF4y2Ba αgydF4y2Ba 是旋转角。gydF4y2Ba

之前进行计算分析,FEJ建成的3 d有限元模型,通过ANSYS软件的有限元模拟。粗网格采用刚性连接,而三个兼容泉精制,取得了一个细孔和更好的分析结果。面对大小方法用于啮合。选定元素的大小是0.3毫米。元素的总数是263009。节点的数目是464603,见图gydF4y2Ba 2gydF4y2Ba。评估质量的啮合,偏态标准采用(gydF4y2Ba 11gydF4y2Ba]。图gydF4y2Ba 3gydF4y2Ba显示元素指标主要集中在区域小于0.6。这意味着网格的质量是好的。gydF4y2Ba

啮合模型弯曲肘关节。gydF4y2Ba

评估网格的质量。gydF4y2Ba

在这个分析中,非线性有限元模型被用来分析应变能和输出转矩。聚乙烯材料选择提出的联合。材料的属性表gydF4y2Ba 1gydF4y2Ba。环的变形和应力分布如图gydF4y2Ba 4gydF4y2Ba。结果表明,在操作过程中,失稳出现在每年春天,但它仍然使三弹簧的间隙没有自力接触变形。这保证了安全工作操作辅助过程中。此外,最大应力集中发生在中间的弹簧红色标记,如图gydF4y2Ba 4gydF4y2Ba。轮和鱼片弹簧被创建,以减少应力集中。gydF4y2Ba

聚乙烯材料的属性。gydF4y2Ba

材料特性gydF4y2Ba
密度gydF4y2Ba 毒的比率gydF4y2Ba 杨氏模量gydF4y2Ba 屈服强度gydF4y2Ba
950公斤/米gydF4y2Ba3gydF4y2Ba 0.42gydF4y2Ba 1100 MPagydF4y2Ba 25 MPagydF4y2Ba
参数gydF4y2Ba 单位gydF4y2Ba 维gydF4y2Ba
tgydF4y2Ba 1gydF4y2Ba,gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba,gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba 毫米gydF4y2Ba 变量gydF4y2Ba
RgydF4y2Ba 3gydF4y2Ba 毫米gydF4y2Ba 25gydF4y2Ba
RgydF4y2Ba 2gydF4y2Ba 毫米gydF4y2Ba 20.gydF4y2Ba
RgydF4y2Ba 1gydF4y2Ba 毫米gydF4y2Ba 15gydF4y2Ba
wgydF4y2Ba 毫米gydF4y2Ba 8gydF4y2Ba

应力和变形的分布。gydF4y2Ba

如图gydF4y2Ba 2gydF4y2Ba,所需的FEJ只是纯粹在z轴旋转。它的运动是弹性元素上的回答。因此,三个戒指精致又达到良好的精度分析。其他被指派为粗网格,因为他们不需要计算。鉴于,如图gydF4y2Ba 1gydF4y2Ba,有七个设计参数的联合,包括gydF4y2Ba wgydF4y2Ba,gydF4y2Ba RgydF4y2Ba 1gydF4y2Ba,gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba,gydF4y2Ba RgydF4y2Ba 3gydF4y2Ba,gydF4y2Ba tgydF4y2Ba1gydF4y2Ba,gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba,gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba。的因素gydF4y2Ba wgydF4y2Ba,gydF4y2Ba RgydF4y2Ba 1gydF4y2Ba,gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba,gydF4y2Ba RgydF4y2Ba 3gydF4y2Ba被指定为常量值,因为他们没有影响的反应提出FEJ根据弹性梁理论。与此同时,因素gydF4y2Ba tgydF4y2Ba1gydF4y2Ba,gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba,gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba被认为是为设计变量。根据梁理论,每个弹性元件矩形横截面面积;那个地区的刚度可以由以下方程(gydF4y2Ba 22gydF4y2Ba]:gydF4y2Ba (2)gydF4y2Ba kgydF4y2Ba egydF4y2Ba =gydF4y2Ba EgydF4y2Ba wgydF4y2Ba egydF4y2Ba tgydF4y2Ba egydF4y2Ba 3gydF4y2Ba 4gydF4y2Ba lgydF4y2Ba egydF4y2Ba =gydF4y2Ba 216.1gydF4y2Ba 0gydF4y2Ba 4gydF4y2Ba NgydF4y2Ba /gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba EgydF4y2Ba杨氏模量的材料,gydF4y2Ba wgydF4y2Ba egydF4y2Ba是宽度,gydF4y2Ba tgydF4y2Ba egydF4y2Ba厚度,gydF4y2Ba lgydF4y2Ba egydF4y2Ba横截面面积的长度是一个长方形。根据(gydF4y2Ba 22gydF4y2Ba),剪切是(认为是被忽略的gydF4y2Ba 2gydF4y2Ba)和一个作用力在自由端施加在梁上。gydF4y2Ba

合规FEJ是理想的弹性弹簧。如果是增加,应变能长大。然而,刚度的增加导致减少合规或应变能。见(gydF4y2Ba 2gydF4y2Ba),刚度是依赖于宽度,厚度和弹性弹簧的长度。这意味着增加gydF4y2Ba wgydF4y2Ba egydF4y2Ba和gydF4y2Ba tgydF4y2Ba egydF4y2Ba导致刚度的提高;然而增加长度结果刚度下降。它可以得出的结论是,厚度gydF4y2Ba tgydF4y2Ba1gydF4y2Ba,gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba,gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba最重要的参数是影响接头的性能。这些参数被选为本研究的设计变量。FEJ的聚乙烯被选为材料,因为它的重量轻。材料的参数和设计参数,如表gydF4y2Ba 1gydF4y2Ba。gydF4y2Ba

 2.2。主要应用上肢辅助设备gydF4y2Ba

一般来说,一个滑轮,运动学关节,和字符串用作重力平衡机制来支持运动的前臂但昂贵的,如图gydF4y2Ba 5gydF4y2Ba。而不是使用传统的系统,这项研究表明平面的弹簧。如图gydF4y2Ba 6gydF4y2Ba,一个新的上肢辅助设备的主要部件是上部平面弹簧,降低平面弹簧,弯曲肘关节。提出三个弹簧使重力平衡系统的前臂FEJ是最重要的元素为弯头产生旋转运动。他们可以制作线电放电加工过程作为一个整体结构。前臂可以位于一个陷阱,而手的方法处理。病人在康复过程中,位于座位或轮椅。电动机用于生成一个时刻。这个康复系统可以集成与智能控制器控制辅助进程。系统的支持,一个病人可以选择一些对象这样的笔,瓶子,水果等。重力平衡系统旨在补偿人类手臂的重量。gydF4y2Ba

传统的辅助设备。gydF4y2Ba

三维模型的上肢辅助设备。gydF4y2Ba

 3所示。制定多目标优化问题gydF4y2Ba

商业化的设备可以支持的病人,但成本昂贵。拟议中的FEJ提出了降低马达和驱动器。关于系统的效率,FEJ已面临的挑战包括以下:(i)一个大应变能,以便它可以存储和释放弹性变形和(2)一个大转矩要求允许良好的负载能力。这两个要求是矛盾的;一种新的混合优化算法因此建议贸易。gydF4y2Ba

3.1。设计变量gydF4y2Ba

指出,该FEJ是非常敏感的厚度。因此,各种厚度作为设计变量。设置为设计变量的向量gydF4y2Ba XgydF4y2Ba =gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba TgydF4y2Ba 。gydF4y2Ba

的上下边界设计变量被分配如下:gydF4y2Ba (3)gydF4y2Ba 0.7gydF4y2Ba 米gydF4y2Ba 米gydF4y2Ba ≤gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba ≤gydF4y2Ba 1。0gydF4y2Ba 米gydF4y2Ba 米gydF4y2Ba 0.6gydF4y2Ba 米gydF4y2Ba 米gydF4y2Ba ≤gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba ≤gydF4y2Ba 0.9gydF4y2Ba 米gydF4y2Ba 米gydF4y2Ba 0.5gydF4y2Ba 米gydF4y2Ba 米gydF4y2Ba ≤gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba ≤gydF4y2Ba 0.8gydF4y2Ba 米gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba tgydF4y2Ba 我gydF4y2Ba(我= 1,2,3)代表FEJ的厚度。gydF4y2Ba

 3.2。目标函数gydF4y2Ba

需要多个质量表现的FEJ如下:(i)的应变能gydF4y2Ba fgydF4y2Ba 1gydF4y2Ba XgydF4y2Ba 期望尽可能大,(ii)的扭矩,gydF4y2Ba fgydF4y2Ba 2gydF4y2Ba XgydF4y2Ba ,需要尽可能高。总之,一度解决优化问题gydF4y2Ba (4)gydF4y2Ba 马克斯gydF4y2Ba ⁡gydF4y2Ba fgydF4y2Ba 1gydF4y2Ba XgydF4y2Ba ,gydF4y2Ba (5)gydF4y2Ba 马克斯gydF4y2Ba ⁡gydF4y2Ba fgydF4y2Ba 2gydF4y2Ba XgydF4y2Ba

3.3。约束gydF4y2Ba

手术期间的等效应力FEJ必须在材料的屈服强度保证弹性限制,这是描述如下:gydF4y2Ba (6)gydF4y2Ba ggydF4y2Ba XgydF4y2Ba ≤gydF4y2Ba σgydF4y2Ba ygydF4y2Ba ngydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba ggydF4y2Ba XgydF4y2Ba 等效应力,gydF4y2Ba σgydF4y2Ba ygydF4y2Ba 提出了材料的屈服强度,gydF4y2Ba ngydF4y2Ba是安全因素。更高的安全是更好的系统。gydF4y2Ba

应变能预计高于0.003 mJ,扭矩是超过500 Nmm。gydF4y2Ba (7)gydF4y2Ba fgydF4y2Ba 1gydF4y2Ba XgydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba xgydF4y2Ba ≥gydF4y2Ba 0.003gydF4y2Ba 米gydF4y2Ba JgydF4y2Ba ,gydF4y2Ba (8)gydF4y2Ba fgydF4y2Ba 2gydF4y2Ba XgydF4y2Ba ≥gydF4y2Ba 500年gydF4y2Ba NgydF4y2Ba 米gydF4y2Ba 米gydF4y2Ba ,gydF4y2Ba

方程(gydF4y2Ba 7gydF4y2Ba)- (gydF4y2Ba 8gydF4y2Ba)确定主要基于以下重要标准:根据生物力学工程,提出了辅助设备来满足临床需求,以保证良好的设备之间的交互和病人(gydF4y2Ba 23gydF4y2Ba,gydF4y2Ba 24gydF4y2Ba]。这些设备必须有一个轻量级的舒适穿和遵从性。拟议中的FEJ紧凑、兼容和轻量级的上肢。在患者的日常生活活动,运动范围的FEJ需要尽可能大,病人可以处理各种对象,如吃喝活动期间(gydF4y2Ba 23gydF4y2Ba,gydF4y2Ba 24gydF4y2Ba]。如果增强FEJ的弹性变形,提高运动的范围。根据兼容机制的理论,弹性变形的FEJ应变能(正比gydF4y2Ba 25gydF4y2Ba]。设备的支持,需要一个大的应变能比0.003 mJ,减少患者的努力工作在他们的日常生活。FEJ产生良好的遵守一个大应变能但它也需要一个高输出扭矩。生产高扭矩的目的是扩大设备针对不同病人的能力。较差的老年人肌肉需要应变能和低输出扭矩大,同时年轻患者更强的肌肉需要一个大的应变能和更高的输出扭矩gydF4y2Ba 23gydF4y2Ba,gydF4y2Ba 24gydF4y2Ba]。在这项研究中,一个输出扭矩超过500 Nmm需要满足不同患者的临床需求,减少用户的工作努力。gydF4y2Ba

 4所示。混合优化算法gydF4y2Ba

根据基本的优化问题,数学模型实现之前应该形成一种进化算法。近似模型总是有错误,因为模型主要是依赖于能力和知识工程和数学的研究。因此,一个解决方案可能是错误的。为了克服这个限制,RSM的混合方法,有限元,Kigring元模型,分公司在本研究提出了提高质量FEJ的表演。图gydF4y2Ba 7gydF4y2Ba说明了系统的流程图联合提出的多目标优化。gydF4y2Ba

多目标优化过程的流程图。gydF4y2Ba

优化经验的主要步骤,如设计机械结构,定义设计变量和目标函数,建立3 d模型,评估最初的表演,并建立数值使用响应面实验。这些步骤可以找到详细的(gydF4y2Ba 26gydF4y2Ba]。gydF4y2Ba

收集数值数据后,Kigring元模型用于建立输入和输出之间的关系。有各种回归模型等完整的二阶多项式,人工神经网络,非参数回归。在这项研究中,Kigring元模型估计数据库是一个合适的选择。它被视为一个黑盒近似设计参数之间的复杂非线性关系和品质。Kigring元模型被用来找到pseudoobjective功能。这些目标函数是用于分公司算法。Kigring元模型是一种添入的贝叶斯元建模技术结合全局模型与当地偏差(gydF4y2Ba 27gydF4y2Ba]:gydF4y2Ba (9)gydF4y2Ba ygydF4y2Ba xgydF4y2Ba =gydF4y2Ba fgydF4y2Ba xgydF4y2Ba +gydF4y2Ba zgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba ygydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 是已知的多项式函数和gydF4y2Ba zgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 是一个随机过程,意味着零和非零协方差。非零的协方差gydF4y2Ba zgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 决定:gydF4y2Ba (10)gydF4y2Ba 浸gydF4y2Ba ⁡gydF4y2Ba ZgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba ZgydF4y2Ba xgydF4y2Ba jgydF4y2Ba =gydF4y2Ba σgydF4y2Ba 2gydF4y2Ba RgydF4y2Ba RgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba jgydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba RgydF4y2Ba 相关矩阵。R (gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba jgydF4y2Ba )之间的相关函数是任何两个采样点ξ和xj。被形容为的高斯相关函数gydF4y2Ba (11)gydF4y2Ba RgydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba jgydF4y2Ba =gydF4y2Ba 经验值gydF4y2Ba ⁡gydF4y2Ba ∑gydF4y2Ba kgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba ngydF4y2Ba θgydF4y2Ba kgydF4y2Ba xgydF4y2Ba kgydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba xgydF4y2Ba kgydF4y2Ba jgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba ngydF4y2Ba设计变量的数量和吗gydF4y2Ba θgydF4y2Ba kgydF4y2Ba 是未知的相关参数来确定。预测估计gydF4y2Ba ygydF4y2Ba ^gydF4y2Ba xgydF4y2Ba 在未经实验的的值gydF4y2Ba xgydF4y2Ba 计算:gydF4y2Ba (12)gydF4y2Ba ygydF4y2Ba ^gydF4y2Ba xgydF4y2Ba =gydF4y2Ba βgydF4y2Ba ^gydF4y2Ba +gydF4y2Ba rgydF4y2Ba TgydF4y2Ba xgydF4y2Ba RgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ygydF4y2Ba - - - - - -gydF4y2Ba fgydF4y2Ba βgydF4y2Ba ^gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba ygydF4y2Ba列向量的长度n包含示例数据的反应,gydF4y2Ba fgydF4y2Ba 是一个列向量的长度gydF4y2Ba ngydF4y2Ba 这是充满的时候gydF4y2Ba fgydF4y2Ba (gydF4y2Ba xgydF4y2Ba )gydF4y2Ba 被认为是一个常数,然后呢gydF4y2Ba rgydF4y2Ba TgydF4y2Ba xgydF4y2Ba 是一个预测点之间的关联向量x和采样点吗gydF4y2Ba {gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba NgydF4y2Ba }gydF4y2Ba 被描述为gydF4y2Ba (13)gydF4y2Ba rgydF4y2Ba TgydF4y2Ba xgydF4y2Ba =gydF4y2Ba RgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 1gydF4y2Ba ,gydF4y2Ba RgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba RgydF4y2Ba xgydF4y2Ba ,gydF4y2Ba xgydF4y2Ba NgydF4y2Ba TgydF4y2Ba ,gydF4y2Ba βgydF4y2Ba ^gydF4y2Ba 据估计,gydF4y2Ba (14)gydF4y2Ba βgydF4y2Ba ^gydF4y2Ba =gydF4y2Ba fgydF4y2Ba TgydF4y2Ba RgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba fgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba fgydF4y2Ba TgydF4y2Ba RgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ygydF4y2Ba ,gydF4y2Ba 估计的方差可以决定输出模型gydF4y2Ba (15)gydF4y2Ba σgydF4y2Ba ^gydF4y2Ba 2gydF4y2Ba =gydF4y2Ba ygydF4y2Ba - - - - - -gydF4y2Ba fgydF4y2Ba βgydF4y2Ba ^gydF4y2Ba TgydF4y2Ba RgydF4y2Ba - - - - - -gydF4y2Ba 1gydF4y2Ba ygydF4y2Ba - - - - - -gydF4y2Ba fgydF4y2Ba βgydF4y2Ba ^gydF4y2Ba NgydF4y2Ba ,gydF4y2Ba 未知的参数gydF4y2Ba θgydF4y2Ba kgydF4y2Ba 获得使用最大似然估计可以制定为[gydF4y2Ba 27gydF4y2Ba]gydF4y2Ba (16)gydF4y2Ba 马克斯gydF4y2Ba θgydF4y2Ba kgydF4y2Ba >gydF4y2Ba 0gydF4y2Ba ⁡gydF4y2Ba ΦgydF4y2Ba θgydF4y2Ba kgydF4y2Ba =gydF4y2Ba - - - - - -gydF4y2Ba NgydF4y2Ba lngydF4y2Ba ⁡gydF4y2Ba σgydF4y2Ba ^gydF4y2Ba 2gydF4y2Ba +gydF4y2Ba lngydF4y2Ba ⁡gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba σgydF4y2Ba ^gydF4y2Ba 2gydF4y2Ba 和gydF4y2Ba RgydF4y2Ba 的功能是gydF4y2Ba θgydF4y2Ba kgydF4y2Ba 。gydF4y2Ba

一个回归模型精度评估基于这四个标准,包括确定系数均方根误差,最大相对剩余,相对均方根误差。gydF4y2Ba

确定系数(gydF4y2Ba RgydF4y2Ba2gydF4y2Ba),其价值的范围gydF4y2Ba (gydF4y2Ba (gydF4y2Ba 0gydF4y2Ba ,gydF4y2Ba 1gydF4y2Ba ]gydF4y2Ba 被确定为gydF4y2Ba (17)gydF4y2Ba RgydF4y2Ba 2gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba - - - - - -gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba ugydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba ugydF4y2Ba - - - - - -gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba

均方误差(gydF4y2Ba RMSEgydF4y2Ba)被定义为测量值之间的差异预测的模型或一个估计量和观察到的实际值。gydF4y2Ba (18)gydF4y2Ba RgydF4y2Ba 米gydF4y2Ba 年代gydF4y2Ba EgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba ugydF4y2Ba 我gydF4y2Ba 2gydF4y2Ba ,gydF4y2Ba

相对最大绝对误差(gydF4y2Ba RMARgydF4y2Ba)是指观测值与预测值之间的区别和决心gydF4y2Ba (19)gydF4y2Ba RgydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba RgydF4y2Ba =gydF4y2Ba 马克斯gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1、2gydF4y2Ba ,gydF4y2Ba …gydF4y2Ba ,gydF4y2Ba 米gydF4y2Ba ⁡gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba ugydF4y2Ba 我gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba ×gydF4y2Ba One hundred.gydF4y2Ba %gydF4y2Ba ,gydF4y2Ba

相对平均绝对误差(gydF4y2Ba RAAEgydF4y2Ba)是预测值之间的差异取决于模型或一个估计量和观察到的真实值。gydF4y2Ba RAAEgydF4y2Ba措施错误的平方的平均值。gydF4y2Ba (20)gydF4y2Ba RgydF4y2Ba 一个gydF4y2Ba 一个gydF4y2Ba EgydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba ∑gydF4y2Ba 我gydF4y2Ba =gydF4y2Ba 1gydF4y2Ba 米gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba - - - - - -gydF4y2Ba ugydF4y2Ba 我gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba ×gydF4y2Ba One hundred.gydF4y2Ba %gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba 米gydF4y2Ba是观测的数量;gydF4y2Ba 一个gydF4y2Ba 我gydF4y2Ba和gydF4y2Ba ugydF4y2Ba 我gydF4y2Ba分别表示实际和预测。gydF4y2Ba

如果回归模型并不完善,这一步将精制通过调整设计变量的范围。否则,它将继续下一步。gydF4y2Ba

估计目标函数确定后,优化过程是由编程实现多目标遗传算法(分公司)。提出了该算法对多目标优化问题在这项研究中,因为它可以收敛到全局帕累托的解决方案。该算法帮助寻求帕累托最优设置多目标优化(gydF4y2Ba 26gydF4y2Ba]。Nondominated排序的莫卡是一个变体基因Algorithm-II (NSGA-II)回答说在控制精英主义的概念。它可以解决多个目标和约束。最后,工厂位于全球可以找到最佳的解决方案。分公司在本研究中得到的可控参数表gydF4y2Ba 2gydF4y2Ba。这些值是通过许多模拟。gydF4y2Ba

莫卡可控参数的算法。gydF4y2Ba

参数gydF4y2Ba 价值gydF4y2Ba
最初的样品数量gydF4y2Ba One hundred.gydF4y2Ba
每个迭代的样本数量gydF4y2Ba One hundred.gydF4y2Ba
最大允许帕累托百分比gydF4y2Ba 70年gydF4y2Ba
收敛稳定比例gydF4y2Ba 2gydF4y2Ba
最大迭代次数gydF4y2Ba 20.gydF4y2Ba
最大数量的候选人gydF4y2Ba 6gydF4y2Ba
交叉概率gydF4y2Ba 0.7gydF4y2Ba
变异概率gydF4y2Ba 0.01gydF4y2Ba

如果最优结果满意,额外的验证进行评估提出的混合优化方法的鲁棒性和效率。优化过程结束。如果他们不能很好地发现,细化是最重要的阶段,寻求最优解决方案。最佳候选人后生成和基于质量的初始需求特征,研究人员将评估候选人。如果没有任何候选人,很满意,质量特征的范围或设计变量的范围必须控制或精制。这个步骤是重复,直到发现的最佳候选人。gydF4y2Ba

 5。结果与讨论gydF4y2Ba 5.1。数据收集gydF4y2Ba

3 d有限元模型,然后设计有限元分析模拟实施收集提出FEJ的表演。数值实验的数量决定使用(gydF4y2Ba 9gydF4y2Ba)。数据检索有限元法,给定的表gydF4y2Ba 3gydF4y2Ba。然后,基于Kigring回归模型,每一个近似函数是为应变能和转矩。结果表明,压力仍远低于屈服强度聚乙烯。这保证一个长时间的工作疲劳寿命。gydF4y2Ba

实验设计和数值数据。gydF4y2Ba

不。gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba 应变能gydF4y2Ba 转矩gydF4y2Ba 压力gydF4y2Ba
(毫米)gydF4y2Ba (毫米)gydF4y2Ba (毫米)gydF4y2Ba (乔丹)gydF4y2Ba (Nm)gydF4y2Ba (MPa)gydF4y2Ba
1gydF4y2Ba 0.85gydF4y2Ba 0.75gydF4y2Ba 0.65gydF4y2Ba 0.001327gydF4y2Ba 516.4587gydF4y2Ba 20.63126gydF4y2Ba
2gydF4y2Ba 0.85gydF4y2Ba 0.75gydF4y2Ba 0.5gydF4y2Ba 0.00323gydF4y2Ba 443.9349gydF4y2Ba 19.72129gydF4y2Ba
3gydF4y2Ba 0.85gydF4y2Ba 0.75gydF4y2Ba 0.8gydF4y2Ba 0.001369gydF4y2Ba 578.1424gydF4y2Ba 21.77671gydF4y2Ba
4gydF4y2Ba 0.85gydF4y2Ba 0.6gydF4y2Ba 0.65gydF4y2Ba 0.001047gydF4y2Ba 387.0098gydF4y2Ba 20.20012gydF4y2Ba
5gydF4y2Ba 0.85gydF4y2Ba 0.9gydF4y2Ba 0.65gydF4y2Ba 0.001503gydF4y2Ba 650.2474gydF4y2Ba 22.06348gydF4y2Ba
6gydF4y2Ba 0.7gydF4y2Ba 0.75gydF4y2Ba 0.65gydF4y2Ba 0.001159gydF4y2Ba 470.434gydF4y2Ba 19.72362gydF4y2Ba
7gydF4y2Ba 1gydF4y2Ba 0.75gydF4y2Ba 0.65gydF4y2Ba 0.001618gydF4y2Ba 544.794gydF4y2Ba 22.71086gydF4y2Ba
8gydF4y2Ba 0.7gydF4y2Ba 0.6gydF4y2Ba 0.5gydF4y2Ba 0.000872gydF4y2Ba 304.2852gydF4y2Ba 18.764gydF4y2Ba
9gydF4y2Ba 0.7gydF4y2Ba 0.6gydF4y2Ba 0.8gydF4y2Ba 0.000869gydF4y2Ba 402.5997gydF4y2Ba 18.76369gydF4y2Ba
10gydF4y2Ba 0.7gydF4y2Ba 0.9gydF4y2Ba 0.5gydF4y2Ba 0.002742gydF4y2Ba 516.5792gydF4y2Ba 18.20312gydF4y2Ba
11gydF4y2Ba 0.7gydF4y2Ba 0.9gydF4y2Ba 0.8gydF4y2Ba 0.001216gydF4y2Ba 639.8056gydF4y2Ba 19.87475gydF4y2Ba
12gydF4y2Ba 1gydF4y2Ba 0.6gydF4y2Ba 0.5gydF4y2Ba 0.001021gydF4y2Ba 336.6276gydF4y2Ba 20.55988gydF4y2Ba
13gydF4y2Ba 1gydF4y2Ba 0.6gydF4y2Ba 0.8gydF4y2Ba 0.003013gydF4y2Ba 479.6251gydF4y2Ba 21.45574gydF4y2Ba
14gydF4y2Ba 1gydF4y2Ba 0.9gydF4y2Ba 0.5gydF4y2Ba 0.003585gydF4y2Ba 584.3072gydF4y2Ba 20.56971gydF4y2Ba
15gydF4y2Ba 1gydF4y2Ba 0.9gydF4y2Ba 0.8gydF4y2Ba 0.004526gydF4y2Ba 762.3913gydF4y2Ba 23.54646gydF4y2Ba
5.2。Kigring元模型gydF4y2Ba

现在,有一些常见的代理模型如nonscreening,人工神经网络,完整的二阶多项式,Kigring元模型。为了建立回归模型,采样点的15套表gydF4y2Ba 3gydF4y2Ba被利用。结果给出了Kigring模型的确定系数大约是统一。这个参数是优于全二阶多项式神经网络,如表所示gydF4y2Ba 4gydF4y2Ba。其余指标,如均方根误差、相对最大绝对误差,和相对的平均绝对误差Kigring模型,小于其他模型。因此,Kigring模型采用本研究。gydF4y2Ba

的拟合优度Kigring响应表面。gydF4y2Ba

Kigring元模型gydF4y2Ba
参数gydF4y2Ba 应变能gydF4y2Ba 转矩gydF4y2Ba
确定系数gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba
均方根误差gydF4y2Ba 7.6.10gydF4y2Ba−10gydF4y2Ba 2.4.10gydF4y2Ba−6gydF4y2Ba
相对最大绝对误差gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
相对平均绝对误差gydF4y2Ba 0gydF4y2Ba 0gydF4y2Ba
神经网络gydF4y2Ba
参数gydF4y2Ba 应变能gydF4y2Ba 转矩gydF4y2Ba
确定系数gydF4y2Ba 0.88gydF4y2Ba 0.91gydF4y2Ba
均方根误差gydF4y2Ba 0.02gydF4y2Ba 98.54gydF4y2Ba
相对最大绝对误差gydF4y2Ba 62.52gydF4y2Ba 52.07gydF4y2Ba
相对平均绝对误差gydF4y2Ba 25.85gydF4y2Ba 23.13gydF4y2Ba
完整的二阶多项式gydF4y2Ba
参数gydF4y2Ba 应变能gydF4y2Ba 转矩gydF4y2Ba
确定系数gydF4y2Ba 0.93gydF4y2Ba 0.96gydF4y2Ba
均方根误差gydF4y2Ba 0.02gydF4y2Ba 59.50gydF4y2Ba
相对最大绝对误差gydF4y2Ba 50.08gydF4y2Ba 40.86gydF4y2Ba
相对平均绝对误差gydF4y2Ba 22.18gydF4y2Ba 14.33gydF4y2Ba
5.3。设计变量的贡献gydF4y2Ba

每个参数的响应的贡献进行了分析通过使用方差分析根据95%置信区间。考虑到应变能,结果表明,两种厚度gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba和gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba完全是统计学意义的假定值小于0.05预计厚度吗gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba与假定值略高于0.05。它表明,参数gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba应变能有最大的贡献为50.78% (f值为22.23),其次是参数gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba贡献为13.16% (f值为13.67),和参数gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba有一个最小(4.18)的f值的贡献为8.84%,鉴于表吗gydF4y2Ba 5gydF4y2Ba。gydF4y2Ba

方差分析的应变能。gydF4y2Ba

因素gydF4y2Ba 贡献gydF4y2Ba f值gydF4y2Ba 假定值gydF4y2Ba
tgydF4y2Ba 1gydF4y2Ba 8.84%gydF4y2Ba 4.18gydF4y2Ba 0.057gydF4y2Ba
tgydF4y2Ba 2gydF4y2Ba 31.29%gydF4y2Ba 13.67gydF4y2Ba 0.003gydF4y2Ba
tgydF4y2Ba 3gydF4y2Ba 50.78%gydF4y2Ba 22.33gydF4y2Ba 0.001gydF4y2Ba
95%置信区间gydF4y2Ba

类似的方式反作用扭矩gydF4y2Ba ,gydF4y2Ba结果表明,三种厚度统计显著性p值小于0.05。此外,结果表明,参数gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba最大贡献的反作用扭矩56.53% (f值为34.03),其次是参数gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba贡献为20.96% (f值为12.16),和参数gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba有最低(9.59)的f值的贡献为15.89%,为给定的表gydF4y2Ba 6gydF4y2Ba。gydF4y2Ba

方差分析的扭矩。gydF4y2Ba

因素gydF4y2Ba 贡献gydF4y2Ba f值gydF4y2Ba 假定值gydF4y2Ba
tgydF4y2Ba 1gydF4y2Ba 20.96%gydF4y2Ba 12.16gydF4y2Ba 0.004gydF4y2Ba
tgydF4y2Ba 2gydF4y2Ba 56.53%gydF4y2Ba 34.03gydF4y2Ba 0.000gydF4y2Ba
tgydF4y2Ba 3gydF4y2Ba 15.89%gydF4y2Ba 9.59gydF4y2Ba 0.008gydF4y2Ba
95%置信区间gydF4y2Ba
5.4。最优结果gydF4y2Ba

为了解决一个最优解和权衡质量之间的反应,莫卡然后结合有限元法,RSM和Kigring元模型。在优化过程中,最佳的结果自动生成。然后,如果优化的解决方案不满意,一个额外的调整是嵌入在拟议的方法。它主要是依赖于设计者的经验。节省计算时间,进一步调整,本研究提出两种方法获得的候选人。第一个任务是调整设计参数的范围。第二是改变目标函数的范围。实施后许多计算模拟,结果表明,该混合方法可能是有效的只有两个质量反应的范围是有限的。抑制依赖专家知识,提出了两种常见的规则如下:gydF4y2Ba

lager-the更好的目标函数,这个函数应该克服一个容许的范围阈值。例如,最大的应变能FEJ期望高于0.003 mJ,因此这个响应的范围控制在高层范围内0.003 mJ,表中给出gydF4y2Ba 7gydF4y2Ba。gydF4y2Ba

最大扭矩反应还需要被超过500 Nmm,这个函数是在此500 Nmm限制在较低的范围内。最优结果可能达到大于500 Nmm所需的值,如表所示gydF4y2Ba 7gydF4y2Ba。gydF4y2Ba

质量的响应。gydF4y2Ba

特征gydF4y2Ba 约束类型gydF4y2Ba 较低的gydF4y2Ba 上gydF4y2Ba 单位gydF4y2Ba
最大应变能gydF4y2Ba 低< =值gydF4y2Ba 0.003gydF4y2Ba N /一个gydF4y2Ba 乔丹gydF4y2Ba
最小转矩gydF4y2Ba 低< =值gydF4y2Ba 500年gydF4y2Ba N /一个gydF4y2Ba NmmgydF4y2Ba

在优化过程中,应变能的历史图表和反作用扭矩被检索,这样他们可以虚拟化。见图gydF4y2Ba 8gydF4y2Ba,应变能收敛是接近0.003 mJ的上部范围。因此,能找到最佳的应变能比0.003 mJ的设计要求。与此同时,反作用扭矩在上层500 Nmm收敛,如图gydF4y2Ba 9gydF4y2Ba。因此,最优转矩能找到570 Nmm左右。gydF4y2Ba

应变能的历史图表。gydF4y2Ba

历史图表的扭矩。gydF4y2Ba

图表很噪音,因为最优解限制在一个范围,以达到收敛。这意味着可以找到最优结果的理想空间。曲线可能因此噪音和确实有这么多数据点发生在最优空间和最优成本函数范围内被发现。这是一个新的方法来获得收敛解。它允许选择实际工作问题的最佳解决方案。gydF4y2Ba

虚拟的数学模型被发现通过使用Kigring元模型。FEJ达到最优的结果,两个目标函数的约束条件。已经有六个潜在的候选人更喜欢选择的生成。表gydF4y2Ba 8gydF4y2Ba显示了如何选择一个最佳人选,这是依赖于用户的需求。结果显示,候选人6被选为最佳的优化设计,因为它完全满足设计目标提到(见(gydF4y2Ba 3gydF4y2Ba)- (gydF4y2Ba 8gydF4y2Ba))。此外,等效应力约为20.8 MPa,仍在1.2的屈服强度高的安全。这可以保证疲劳寿命,工作时间长。gydF4y2Ba

潜在的最佳候选人。gydF4y2Ba

候选人gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba 应变能gydF4y2Ba 转矩gydF4y2Ba 压力gydF4y2Ba
(乔丹)gydF4y2Ba (Nmm)gydF4y2Ba (MPa)gydF4y2Ba
候选人1gydF4y2Ba 0.97gydF4y2Ba 0.90gydF4y2Ba 0.51gydF4y2Ba 0.0033gydF4y2Ba 588.942gydF4y2Ba 20.727gydF4y2Ba
候选人2gydF4y2Ba 0.94gydF4y2Ba 0.89gydF4y2Ba 0.53gydF4y2Ba 0.0031gydF4y2Ba 593.036gydF4y2Ba 20.795gydF4y2Ba
候选人3gydF4y2Ba 0.94gydF4y2Ba 0.90gydF4y2Ba 0.53gydF4y2Ba 0.0031gydF4y2Ba 594.183gydF4y2Ba 20.777gydF4y2Ba
候选人4gydF4y2Ba 0.94gydF4y2Ba 0.90gydF4y2Ba 0.52gydF4y2Ba 0.0032gydF4y2Ba 590.801gydF4y2Ba 20.707gydF4y2Ba
第5号候选人gydF4y2Ba 0.94gydF4y2Ba 0.89gydF4y2Ba 0.52gydF4y2Ba 0.0032gydF4y2Ba 590.388gydF4y2Ba 20.721gydF4y2Ba
候选人6gydF4y2Ba 0.94gydF4y2Ba 0.89gydF4y2Ba 0.52gydF4y2Ba 0.0032gydF4y2Ba 590.595gydF4y2Ba 20.720gydF4y2Ba
5.5。灵敏度分析gydF4y2Ba

在优化过程中,灵敏度分析也是一个必要的步骤,以确定一个每个设计参数在每个质量响应的影响。一般,有多种技术可以申请纳尔逊方法计算灵敏度,模态方法,矩阵摄动法,微分方法,和RSM。一般来说,直接微分方法需要更多的时间去分析,因为它需要构建物理模型。灵敏度可以通过以下公式计算:gydF4y2Ba (21)gydF4y2Ba 年代gydF4y2Ba fgydF4y2Ba =gydF4y2Ba ∂gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba ∂gydF4y2Ba xgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba 在哪里gydF4y2Ba fgydF4y2Ba 我gydF4y2Ba ,gydF4y2Ba xgydF4y2Ba 分别和设计变量i的响应。gydF4y2Ba

RSM [gydF4y2Ba 28gydF4y2Ba)被选为这一分析。考虑到当地的敏感性,厚度gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba有应变能影响或重大贡献最高,其次是厚度吗gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba而厚度gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba有一个最低的贡献。这是指出,改变gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba会根据需要调整,实现应变能。关于反作用扭矩、厚度gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba有最大的影响,其次是厚度吗gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba和厚度gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba有最小的贡献,给出图gydF4y2Ba 10gydF4y2Ba。gydF4y2Ba

灵敏度图。gydF4y2Ba

特别是,图gydF4y2Ba 11gydF4y2Ba说明了厚度的影响gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba和gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba在应变能和转矩,给出数据gydF4y2Ba (11日)gydF4y2Ba和gydF4y2Ba 11 (b)gydF4y2Ba,分别。结果表明,减少厚度gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba结果在降低应变能。但增加厚度gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba导致相应的应变能的提高。图gydF4y2Ba 12 (b)gydF4y2Ba显示了反作用扭矩的厚度的影响。指出,扭矩是线性对应厚度成比例的。这种反应与厚度的增加急剧改变。gydF4y2Ba

影响图gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba和gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba在应变能(a)和(b)的扭矩。gydF4y2Ba

影响图gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba和gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba在应变能(a)和(b)的扭矩。gydF4y2Ba

贡献图的厚度gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba是绘制,如图gydF4y2Ba 12gydF4y2Ba。结果显示,参数下降gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba导致降低应变能,见图gydF4y2Ba 12(一个)gydF4y2Ba。与此同时,扭矩时大幅增加gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba降低,如图gydF4y2Ba 12 (b)gydF4y2Ba。gydF4y2Ba

总结,几乎提到设计参数有重大贡献的位移和安全系数。这将帮助设计师和研究人员做出决定和满足特定需求的系统。gydF4y2Ba

 6。有限元分析验证gydF4y2Ba

评估和验证FEJ提出的最优结果,一些有限元法进行了测试。优化设计变量的候选人从表1gydF4y2Ba 8gydF4y2Ba被用作最优值。它被用于制造3 d模型(gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba= 0.97毫米,gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba= 0.9毫米,gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba= 0.51毫米)。18软件ANSYS有限元分析进行了验证。材料、边界条件和荷载也在之前的步骤。实现了网格的质量,然后输出反应检索。gydF4y2Ba

下表gydF4y2Ba 9gydF4y2Ba,结果表明,验证结果发现0.0032 mJ的应变能和反应591.08 Nmm的扭矩。结果发现和验证预测结果在一个好的协议。这意味着该混合优化方法是一种有效的方法来解决多目标优化问题FEJ。它可以应用于解决复杂的优化问题。它将支持机械元素的计算设计过程的辅助设备。gydF4y2Ba

验证的结果。gydF4y2Ba

特征gydF4y2Ba 预测gydF4y2Ba 有限元分析验证gydF4y2Ba 误差(%)gydF4y2Ba
应变能(乔丹)gydF4y2Ba 0.0033gydF4y2Ba 0.0032gydF4y2Ba 3.03gydF4y2Ba
转矩(Nmm)gydF4y2Ba 588.94gydF4y2Ba 591.08gydF4y2Ba 0.36gydF4y2Ba
压力(MPa)gydF4y2Ba 20.72gydF4y2Ba 21.06gydF4y2Ba 1.61gydF4y2Ba
7所示。结论gydF4y2Ba

本文提出了一种有效的多目标优化方法,弯曲肘关节。联合设计基于串联连接的弹簧。拟议中的FEJ被用来支持一个程度的自由旋转的手肘。它是集成到残疾人的上肢辅助设备。FEJ是最重要的元素,因此优化静态性能是满足要求的设备。提高整体的静态表现,包括应变能和反应力,后来开发了一种混合优化方法。这种方法是有限元法的集成,RSM Kigring元模型方法,和莫卡。六个最佳候选人检索然后候选人1被选为最优的解决方案。gydF4y2Ba

方差分析是用来确认重大贡献的每个变量的响应。通过RSM进行灵敏度分析,以确定每个因素的影响。发现参数gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba应变能有最大的贡献为50.78% (f值为22.23),其次是参数gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba贡献为13.16% (f值为13.67),和参数gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba有一个最小的贡献8.84% (f值为4.18。它表明,参数gydF4y2Ba tgydF4y2Ba 2gydF4y2Ba最大贡献的反作用扭矩56.53% (f值为34.03),其次是参数gydF4y2Ba tgydF4y2Ba 1gydF4y2Ba贡献为20.96% (f值为12.16),和参数gydF4y2Ba tgydF4y2Ba 3gydF4y2Ba有一个最低15.89% (9.59 f值)的贡献。结果表明,最优结果发现0.0033 mJ的应变能和588.94 Nm的反作用扭矩。预测的结果与有限元分析结果高度一致。这是证实,该混合优化方法是有效的和可靠的求解复杂工程优化问题。gydF4y2Ba

 数据可用性gydF4y2Ba

使用的数据来支持本研究的发现可以从相应的作者。gydF4y2Ba

 的利益冲突gydF4y2Ba

作者宣称没有利益冲突有关这篇文章的出版。gydF4y2Ba

 确认gydF4y2Ba

这项研究是由越南国家科学技术发展基金会(NAFOSTED)授予数量107.03 - -2018.11。gydF4y2Ba

 罗萨莱斯LuengasgydF4y2Ba Y。gydF4y2Ba Lopez-GutierrezgydF4y2Ba R。gydF4y2Ba 萨拉查gydF4y2Ba 年代。gydF4y2Ba LozanogydF4y2Ba R。gydF4y2Ba 鲁棒控制上肢外骨骼,实时的结果gydF4y2Ba 美国机械工程师学会学报》上,我部分:系统和控制工程杂志》上gydF4y2Ba 2018年gydF4y2Ba 232年gydF4y2Ba 7gydF4y2Ba 797年gydF4y2Ba 806年gydF4y2Ba 10.1177 / 0959651818758866gydF4y2Ba RehmatgydF4y2Ba N。gydF4y2Ba 左gydF4y2Ba J。gydF4y2Ba 孟gydF4y2Ba W。gydF4y2Ba 刘gydF4y2Ba Q。gydF4y2Ba 谢gydF4y2Ba 美国问。gydF4y2Ba 梁gydF4y2Ba H。gydF4y2Ba 上肢康复使用机器人外骨骼系统:系统回顾gydF4y2Ba 国际期刊的智能机器人和应用程序gydF4y2Ba 2018年gydF4y2Ba 2gydF4y2Ba 3gydF4y2Ba 283年gydF4y2Ba 295年gydF4y2Ba 10.1007 / s41315 - 018 - 0064 - 8gydF4y2Ba 盛gydF4y2Ba B。gydF4y2Ba 张gydF4y2Ba Y。gydF4y2Ba 孟gydF4y2Ba W。gydF4y2Ba 邓gydF4y2Ba C。gydF4y2Ba 谢gydF4y2Ba 年代。gydF4y2Ba 两国对上肢中风康复机器人:艺术和未来前景gydF4y2Ba 医学工程与物理gydF4y2Ba 2016年gydF4y2Ba 38gydF4y2Ba 7gydF4y2Ba 587年gydF4y2Ba 606年gydF4y2Ba 10.1016 / j.medengphy.2016.04.004gydF4y2Ba 刘gydF4y2Ba Y。gydF4y2Ba 郭gydF4y2Ba 年代。gydF4y2Ba HiratagydF4y2Ba H。gydF4y2Ba 石原gydF4y2Ba H。gydF4y2Ba 田宫gydF4y2Ba T。gydF4y2Ba 发展动力变刚度外骨骼装置肘部康复gydF4y2Ba 生物医学微器件gydF4y2Ba 2018年gydF4y2Ba 20.gydF4y2Ba 3gydF4y2Ba 10.1007 / s10544 - 018 - 0312 - 6gydF4y2Ba 吴gydF4y2Ba Q。gydF4y2Ba 王gydF4y2Ba X。gydF4y2Ba 杜gydF4y2Ba F。gydF4y2Ba 开发和分析重力平衡积极康复训练上肢外骨骼gydF4y2Ba 美国机械工程师学会学报》上,C部分:机械工程科学》杂志上gydF4y2Ba 2016年gydF4y2Ba 230年gydF4y2Ba 20.gydF4y2Ba 3777年gydF4y2Ba 3790年gydF4y2Ba 2 - s2.0 - 85000542331gydF4y2Ba 10.1177 / 0954406215616415gydF4y2Ba GopuragydF4y2Ba r·a·r·C。gydF4y2Ba BandaragydF4y2Ba d s V。gydF4y2Ba KiguchigydF4y2Ba K。gydF4y2Ba 曼恩gydF4y2Ba g·k . I。gydF4y2Ba 发展活动上肢外骨骼机器人的硬件系统:一个回顾gydF4y2Ba 机器人和自治系统gydF4y2Ba 2016年gydF4y2Ba 75年gydF4y2Ba 203年gydF4y2Ba 220年gydF4y2Ba 2 - s2.0 - 84949771949gydF4y2Ba 10.1016 / j.robot.2015.10.001gydF4y2Ba EskigydF4y2Ba İ。gydF4y2Ba KırnapgydF4y2Ba 一个。gydF4y2Ba 上肢运动控制器设计使用的测量肩,肘,腕关节gydF4y2Ba 神经计算和应用gydF4y2Ba 2018年gydF4y2Ba 30.gydF4y2Ba 1gydF4y2Ba 307年gydF4y2Ba 325年gydF4y2Ba 10.1007 / s00521 - 018 - 3522 - 1gydF4y2Ba 詹森gydF4y2Ba e . F。gydF4y2Ba RaunsbækgydF4y2Ba J。gydF4y2Ba 隆德gydF4y2Ba j . N。gydF4y2Ba 拉赫曼gydF4y2Ba T。gydF4y2Ba 拉斯穆森gydF4y2Ba J。gydF4y2Ba 卡斯特罗gydF4y2Ba m . N。gydF4y2Ba 开发和模拟一个被动的上肢amyoplasia矫正法gydF4y2Ba 康复和辅助技术工程杂志》上gydF4y2Ba 2018年gydF4y2Ba 5gydF4y2Ba 205566831876152gydF4y2Ba 10.1177 / 2055668318761525gydF4y2Ba 王gydF4y2Ba C。gydF4y2Ba 吴gydF4y2Ba X。gydF4y2Ba 马gydF4y2Ba Y。gydF4y2Ba 吴gydF4y2Ba G。gydF4y2Ba 罗gydF4y2Ba Y。gydF4y2Ba 一个灵活的下肢外骨骼机器人运动模式识别gydF4y2Ba 复杂性gydF4y2Ba 2018年gydF4y2Ba 2018年gydF4y2Ba 9gydF4y2Ba 5712108gydF4y2Ba 10.1155 / 2018/5712108gydF4y2Ba Le洲gydF4y2Ba N。gydF4y2Ba 见鬼gydF4y2Ba 诉。gydF4y2Ba 勒gydF4y2Ba h·G。gydF4y2Ba 刀gydF4y2Ba 陈宗柏。gydF4y2Ba 健壮的参数设计和分析的叶联合micropositioning系统兼容gydF4y2Ba 阿拉伯科学与工程》杂志上gydF4y2Ba 2017年gydF4y2Ba 42gydF4y2Ba 11gydF4y2Ba 4811年gydF4y2Ba 4823年gydF4y2Ba 10.1007 / s13369 - 017 - 2682 - 0gydF4y2Ba 2 - s2.0 - 85031495885gydF4y2Ba 刀gydF4y2Ba 陈宗柏。gydF4y2Ba 黄gydF4y2Ba 研究所。gydF4y2Ba 为广泛的设计和多目标优化self-amplified二自由度整体机制gydF4y2Ba SādhanāgydF4y2Ba 2017年gydF4y2Ba 42gydF4y2Ba 9gydF4y2Ba 1527年gydF4y2Ba 1542年gydF4y2Ba 10.1007 / s12046 - 017 - 0714 - 9gydF4y2Ba MR3703265gydF4y2Ba 周gydF4y2Ba X。gydF4y2Ba 徐gydF4y2Ba H。gydF4y2Ba 程gydF4y2Ba J。gydF4y2Ba 赵gydF4y2Ba N。gydF4y2Ba 程ydF4y2Ba 年代。gydF4y2Ba Flexure-based精密卷绕对位技术平台:一种实用的解决方案实现大面积微触印刷gydF4y2Ba 科学报告gydF4y2Ba 2015年gydF4y2Ba 5gydF4y2Ba 1gydF4y2Ba 1gydF4y2Ba 10gydF4y2Ba 10.1038 / srep10402gydF4y2Ba 何gydF4y2Ba n . L。gydF4y2Ba 刀gydF4y2Ba T。gydF4y2Ba 勒gydF4y2Ba h·G。gydF4y2Ba 洲gydF4y2Ba n . L。gydF4y2Ba 优化设计的兼容的微装配系统的手机振动马达使用简称ANFIS和jaya的混合方法gydF4y2Ba 阿拉伯科学与工程》杂志上gydF4y2Ba 2019年gydF4y2Ba 44gydF4y2Ba 2gydF4y2Ba 1205年gydF4y2Ba 1220年gydF4y2Ba 10.1007 / s13369 - 018 - 3445 - 2gydF4y2Ba ValentinigydF4y2Ba P P。gydF4y2Ba PennestrigydF4y2Ba E。gydF4y2Ba 兼容的柔性铰链四连杆合成与二阶近似gydF4y2Ba 机制和机器理论gydF4y2Ba 2018年gydF4y2Ba 128年gydF4y2Ba 225年gydF4y2Ba 233年gydF4y2Ba 10.1016 / j.mechmachtheory.2018.06.003gydF4y2Ba 刀gydF4y2Ba 陈宗柏。gydF4y2Ba 何gydF4y2Ba n . L。gydF4y2Ba 阮gydF4y2Ba T . T。gydF4y2Ba 勒gydF4y2Ba h·G。gydF4y2Ba ThanggydF4y2Ba p . T。gydF4y2Ba 范教授gydF4y2Ba H.-T。gydF4y2Ba 做gydF4y2Ba H.-T。gydF4y2Ba TrangydF4y2Ba 医学博士。gydF4y2Ba 阮gydF4y2Ba T . T。gydF4y2Ba 分析和优化的多种传感器微兼容gydF4y2Ba 微系统技术gydF4y2Ba 2017年gydF4y2Ba 23gydF4y2Ba 12gydF4y2Ba 5375年gydF4y2Ba 5395年gydF4y2Ba 2 - s2.0 - 85016431299gydF4y2Ba 10.1007 / s00542 - 017 - 3378 - 9gydF4y2Ba 程ydF4y2Ba 年代。gydF4y2Ba 凌gydF4y2Ba M。gydF4y2Ba 张gydF4y2Ba X。gydF4y2Ba millimeter-range和高频柔顺机构的设计和实验有两个输出端口gydF4y2Ba 机制和机器理论gydF4y2Ba 2018年gydF4y2Ba 126年gydF4y2Ba 201年gydF4y2Ba 209年gydF4y2Ba 10.1016 / j.mechmachtheory.2018.04.003gydF4y2Ba SakhaeigydF4y2Ba a . H。gydF4y2Ba KaijimagydF4y2Ba 年代。gydF4y2Ba 李gydF4y2Ba t . L。gydF4y2Ba 棕褐色gydF4y2Ba Y Y。gydF4y2Ba 邓恩gydF4y2Ba m . L。gydF4y2Ba 多材料兼容ratchet-like机制设计和调查gydF4y2Ba 机制和机器理论gydF4y2Ba 2018年gydF4y2Ba 121年gydF4y2Ba 184年gydF4y2Ba 197年gydF4y2Ba 2 - s2.0 - 85032701116gydF4y2Ba 10.1016 / j.mechmachtheory.2017.10.017gydF4y2Ba 曹gydF4y2Ba lgydF4y2Ba DolovichgydF4y2Ba a . T。gydF4y2Ba 程ydF4y2Ba 一个。gydF4y2Ba 张(克里斯)gydF4y2Ba W。gydF4y2Ba 拓扑优化的高效和强大的混合兼容机制使用混合网格梁和柔性铰链的力量控制gydF4y2Ba 机制和机器理论gydF4y2Ba 2018年gydF4y2Ba 121年gydF4y2Ba 213年gydF4y2Ba 227年gydF4y2Ba 10.1016 / j.mechmachtheory.2017.10.022gydF4y2Ba 2 - s2.0 - 85032808436gydF4y2Ba TamilselvigydF4y2Ba 年代。gydF4y2Ba BaskargydF4y2Ba 年代。gydF4y2Ba AnandapadmanabangydF4y2Ba lgydF4y2Ba KarthikeyangydF4y2Ba V。gydF4y2Ba RajasekargydF4y2Ba 年代。gydF4y2Ba 多目标进化算法的设计能量有效的配电变压器gydF4y2Ba 群与进化计算gydF4y2Ba 2018年gydF4y2Ba 42gydF4y2Ba 109年gydF4y2Ba 124年gydF4y2Ba 2 - s2.0 - 85042943984gydF4y2Ba VanneschigydF4y2Ba lgydF4y2Ba 戴安娜gydF4y2Ba R。gydF4y2Ba 卡斯泰利gydF4y2Ba M。gydF4y2Ba 多目标遗传算法与变量附近寻找选举选区重划问题gydF4y2Ba 群与进化计算gydF4y2Ba 2017年gydF4y2Ba 36gydF4y2Ba 37gydF4y2Ba 51gydF4y2Ba 2 - s2.0 - 85017524682gydF4y2Ba 10.1016 / j.swevo.2017.04.003gydF4y2Ba PajaresgydF4y2Ba 一个。gydF4y2Ba BlascogydF4y2Ba X。gydF4y2Ba 埃雷罗gydF4y2Ba j . M。gydF4y2Ba Reynoso-MezagydF4y2Ba G。gydF4y2Ba 本地化的多目标遗传算法的最优和近最优解可能有用:nevMOGAgydF4y2Ba 复杂性gydF4y2Ba 2018年gydF4y2Ba 2018年gydF4y2Ba 22gydF4y2Ba 1792420gydF4y2Ba 10.1155 / 2018/1792420gydF4y2Ba 布朗gydF4y2Ba 答:答:D。gydF4y2Ba 机械弹簧(工程设计指南、42)gydF4y2Ba 1981年gydF4y2Ba MagermansgydF4y2Ba d . J。gydF4y2Ba 查德威克gydF4y2Ba e . k . J。gydF4y2Ba VeegergydF4y2Ba h·e·J。gydF4y2Ba van der舵gydF4y2Ba f·c·T。gydF4y2Ba 要求上肢运动在日常生活活动gydF4y2Ba 临床生物力学gydF4y2Ba 2005年gydF4y2Ba 20.gydF4y2Ba 6gydF4y2Ba 591年gydF4y2Ba 599年gydF4y2Ba 10.1016 / j.clinbiomech.2005.02.006gydF4y2Ba 2 - s2.0 - 20344382036gydF4y2Ba 穆雷gydF4y2Ba 我一个。gydF4y2Ba 约翰逊gydF4y2Ba g·R。gydF4y2Ba 研究外力和力矩的肩部和肘部每天都在执行任务gydF4y2Ba 临床生物力学gydF4y2Ba 2004年gydF4y2Ba 19gydF4y2Ba 6gydF4y2Ba 586年gydF4y2Ba 594年gydF4y2Ba 2 - s2.0 - 3242668713gydF4y2Ba 10.1016 / j.clinbiomech.2004.03.004gydF4y2Ba 15234482gydF4y2Ba 豪厄尔gydF4y2Ba L . L。gydF4y2Ba 兼容的机制gydF4y2Ba 2001年gydF4y2Ba 约翰威利& SonsgydF4y2Ba 洲gydF4y2Ba n . L。gydF4y2Ba 刀gydF4y2Ba T。gydF4y2Ba 阮gydF4y2Ba 诉T。gydF4y2Ba 有限元方法的一种有效的混合方法,人工神经网络的多目标遗传算法的计算优化线性兼容文中对纳米压痕技术的测试机构测试人员gydF4y2Ba 数学问题在工程gydF4y2Ba 2018年gydF4y2Ba 2018年gydF4y2Ba 19gydF4y2Ba 7070868gydF4y2Ba 10.1155 / 2018/7070868gydF4y2Ba 江gydF4y2Ba P。gydF4y2Ba 王gydF4y2Ba C。gydF4y2Ba 周gydF4y2Ba Q。gydF4y2Ba 邵gydF4y2Ba X。gydF4y2Ba 蜀gydF4y2Ba lgydF4y2Ba 李gydF4y2Ba X。gydF4y2Ba 激光焊接工艺参数的优化不锈钢316 l使用有限元法、克里格和NSGA-IIgydF4y2Ba 工程软件的进步gydF4y2Ba 2016年gydF4y2Ba 99年gydF4y2Ba 147年gydF4y2Ba 160年gydF4y2Ba 2 - s2.0 - 84974624240gydF4y2Ba 10.1016 / j.advengsoft.2016.06.006gydF4y2Ba 洲gydF4y2Ba n . L。gydF4y2Ba 刀gydF4y2Ba T。gydF4y2Ba 阮gydF4y2Ba 诉T。gydF4y2Ba 优化设计的dragonfly-inspired兼容联合文中对纳米压痕技术的测试摄像机定位系统测试Jaya-ANFIS混合集成的基础上gydF4y2Ba 数学问题在工程gydF4y2Ba 2018年gydF4y2Ba 2018年gydF4y2Ba 16gydF4y2Ba 8546095gydF4y2Ba 10.1155 / 2018/8546095gydF4y2Ba